两种转炉炼钢终点控制模型的比较

分析了转炉炼钢静态控制与动态控制模型的方法、作用及功能关系。针对中小型炼钢转炉检测设备受限制的现状,从建模原理、方法特点和应用效果方面对建立的基于遗传算法-神经网络混合算法(CA-BP)的转炉炼钢终点优化控制静态模型和转炉炼钢终点预测的准动态控制模型进行了比较,认为混合算法可以提高静态模型的预测效果,而准动态模型可以反映转炉冶炼的动态操作和加料过程对一次倒炉时间和终点的影响。     

回归分析转炉冶伯耗氧量

通过对转炉冶炼实际生产中耗氧情况的分析，建立回归转炉冶炼耗氧量的数学模型，得出影响转炉冶冶炼耗氧量的主要因素，预测和控制转炉冶炼耗氧量，以及提高回归精度的途径。     

基于集成学习的转炉炼钢供氧量预测模型

针对大多数中小型转炉无法使用动态模型的现状，基于3种不同集成方式的集成学习算法(随机森林、XGBoost和stacking集成)建立了转炉炼钢供氧量预测模型。通过理论基础和相关性分析确定了模型的输入变量；利用五数概括法与孤立森林算法进行数据预处理；结合5折交叉验证和网格搜索方法确定模型的最佳参数。最后通过对比3种集成学习算法的预测结果，表明stacking集成模型的预测性能最好，供氧量在±200、±300 m³精度下的命中率分别为84.04%、95.11%,均方根误差(RMSE)为147.31。     

基于数据驱动的转炉耗氧量模型研究

基于45 t转炉炼钢实际生产数据,通过数据预处理和互信息(MI)法进行特征选择,采用贝叶斯算法(BOA)优化BP神经网络模型、支持向量回归机(SVR)模型和LGBM模型的参数,预测转炉吹炼的耗氧量。用1 176炉的实际生产数据对模型进行训练,504炉的数据用于验证模型的预测效果。结果表明,在预测的氧气体积偏差分别为±50、±40、±30 m³的范围下,LGBM模型的预测命中率分别为94.04%、85.91%、76.58%。与SVR模型和BP神经网络模型相比较,LGBM模型有着更高的预测精度和稳定性以及更强的泛化能力。     

基于长短期时间序列网络的氧气需求量预测

钢铁企业转炉炼钢过程中的氧气消耗机理复杂，具有非线性、间歇性等特点。采用深度学习方法分析炼钢用氧规律，对未来一个炼钢吹炼计划内的氧气需求量进行多步预测，获取分钟级耗氧量及趋势曲线。针对工业数据中的异常值与缺失值进行预处理，建立基于超参数调节的长短期网络(long short-term network, LSTNet)预测模型，采用钢铁企业炼钢过程用氧量的实际数据对算法进行测试，并与基于长短期记忆网络(long short-term memory, LSTM)的预测模型对比，相比LSTM预测模型，平均绝对误差(mean absolute error, MAE)指标降低了12.3%,均方根误差(root mean square error, RMSE)指标则降低了8.5%,表明该预测方法对钢铁企业转炉炼钢过程中氧气需求量的预测效果较好。     

转炉终渣成分和溅渣时间数据驱动预测模型开发

基于260 t转炉实际生产数据，通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO₂、TFe和MgO的预测模型。通过优化调参，XGBoost终渣成分预测模型的决定系数R²均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM (Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究，将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型，Stacking集成溅渣时间预测模型提升了单个模型的预测效果，偏差为±20 s的预测命中率达89.95%。     

转炉钢水出钢温度的预测

将人工神经网络用作转炉炼钢过程的预测模型,实现了对转炉出钢温度的全面预测.并探讨了影响转炉出钢温度及转炉炼钢过程的因素,为生产合格钢水及转炉的动态控制提供理论依据.本模型能很好的预测转炉终点的出钢温度,并能较好的分析主要工艺参数(如铁水温度、氧气耗量等)对转炉出钢温度的影响,预测值比较准确.     

一种基于即时学习的局部模型集成转炉炼钢终点预测方法

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学习(just-in-time learning, JITL)的动态终点预测方法。在JITL的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。在实际转炉炼钢数据验证中,使用本文所提方法,终点温度在±15℃范围内■命中率为92.7%,终点碳质量分数在±0.02%范围内■命中率为95.7%,可以为实际生产过程中的终点控制等操作提供参考。     

基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率,建立了一种新的转炉终点预测模型,实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法,将权重矩阵引入到目标函数中,并利用鲸群优化算法进行求解,提高了传统算法的性能;然后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点预测模型。结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%,双命中率达到84%。与其他两种现有的建模方法相比,本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求,也可适用于钢铁冶金其他领域的数学建模。     

转炉炼钢工序最小能耗的研究

分析了转炉炼钢过程能源消耗与工艺、设备、操作等因素的关系 ,建立了转炉工序能耗模型和应用模型 ,研究了转炉炼钢工序的最小能耗问题和与最小工序能耗相对应的工况条件。针对我国宝钢 2 5 0 t转炉的设备条件和生产数据 ,给出转炉煤气的最大回收量为 12 8.8m3/ t(钢 ) ,最小工序能耗为 - 18.90 kg/ t(钢 )     

转炉补吹脱碳升温规律与终点控制研究

对转炉炼钢接近吹炼终点阶段的脱碳升温规律进行了深入研究,并据此建立了转炉补吹模型;采用线性统计回归自适应算法实现转炉补吹模型参数动态修正.结果表明:转炉吹炼后期补吹阶段的总脱碳氧效率与钢水中碳含量呈线性关系,建立的补吹自适应模型在转炉自动化炼钢终点控制中的精度和命中率方面满足了生产需要.     

转炉炼钢技术的发展与展望

回顾20世纪氧气转炉炼钢技术的发展,总结现代转炉炼钢的五项重大技术;转炉大型化技术,复合吹炼工艺、转炉煤气回收与“负能”炼钢、转炉长寿技术和全自动吹炼工艺。预测21世纪转炉炼钢技术的发展趋势是：优化炼钢工艺流程;转炉高速吹炼工艺;建立大批量廉价生产洁净钢的生产体系;建立了“零”排放的绿色生态钢厂。     

转炉炼钢仿真系统的研究

以转炉炼钢生产中的物料平衡和热平衡为基础,结合数学统计方法,建立了转炉炼钢物流模型,然后在此基础上分析其能源介质的运行规律,建立其能流模型,包括输入输出模型和生产动态模型.最后,对转炉炼钢生产仿真系统提出总体架构设计和详细设计.     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

转炉炼钢自动控制技术发展及展望

转炉炼钢工序通过设备机械化、控制程序化实现了生产过程的部分自动化操作。将生产工艺技术与机理分析、检测技术和信息技术等进行深度融合是提升钢铁行业整体创新能力和产品竞争力的有力手段,转炉冶炼过程自动控制技术的规范化、自动化、智能化和集成化是必然发展趋势。概述了转炉炼钢自动控制技术的国内外发展状况,对转炉自动控制系统、冶炼过程计算模型、冶炼终点碳温控制和预测模型及炉渣泡沫化预测模型的应用情况进行了梳理,着重总结了上述技术的应用现状和发展方向,并展望了转炉自动化炼钢发展途径及前景,为后续转炉炼钢自动化技术提升提供参考。     

基于遗传算法的转炉炼钢生产过程操作优化

文章对转炉炼钢过程操作优化问题,建立多目标函数并求解。为了减小误差,建立基于遗传算法的多目标规划模型,得到目标函数最优解及各变量最优取值。完成了转炉炼钢操作优化的任务,实现了对转炉炼钢生产过程操作的多目标控制。     

基于软件构件技术的冶金工业过程控制系统

在冶金行业过程控制系统(PCS)的L2计算机过程控制应用系统的设计和开发中,考虑了软件复用的构件技术,以构造新的软件应用系统.通过对宝钢分公司炼钢区域(转炉、精炼和连铸等工序)L2计算机应用系统的功能需求分析和领域分析,归纳共通的功能需求特点,建立了炼钢领域数据模型和炼钢领域子系统模型,创建构件.构件的设计过程中考虑固定体部分,即满足炼钢领域中各工序需求具有公共性的设计.通过领域分析和领域模型的建立,考虑某构件与其他构件的关系及构件内部的实现.对于变化体的设计采用"配置"的方法.     

基于L-M算法BP神经网络的转炉炼钢终点磷含量预报

转炉炼钢过程是一个非常复杂的物理化学变化过程,人工控制很难一次达到终点目标值,通常需要经过多次补吹才能出钢.通过研究影响转炉冶炼终点磷含量的主要因素,确定了影响转炉终点磷含量的参数,建立了基于Levenberg-Marquardt(LM)算法BP神经网络转炉终点磷含量的预报模型.结果表明:在预报误差目标精度为土0.00...     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

基于集成学习的转炉吹炼终点磷锰预测模型

基于260 t转炉炼钢实际生产数据,用RF(Random Forests,随机森林)、LGBM(Light Gradient Boosting Machine,轻量级梯度提升机)和Stacking集成三种不同机器学习算法建立了转炉炼钢终点磷锰预测模型。通过相关理论分析和皮尔逊相关系数法确定了模型输入变量,对比三种集成学习模型的终点命中率,表明Stacking集成模型的预测性能最好,在预测终点磷质量分数误差为±0.001%、±0.001 5%时的终点命中率分别为86.3%、97.1%,在预测终点锰质量分数误差为±0.008%、±0.01%时的命中率分别为83.4%、94.4%。